精华内容
下载资源
问答
  • 此处提出了一种新的基于特征级决策级双层融合的语音情感识别方法,可以将统计特征和局部频谱特征在该方法的特征级上融合;基于SVM和ANN集成多个不同的识别系统,然后在决策级对使用不同的声学特征的多个分类器的输出...
  • 基于CNN与HOG特征的决策级融合图像识别,王康,陈振学,图像识别在计算机视觉领域广泛应用。深度学习热潮兴起之后,卷积神经网络(Convolutional Neural Network, CNN)作为其中的一种典型模型,在
  • 提出了一种基于深度学习的红外与可见光决策级融合跟踪方法。通过建立参数传递模型,从现有基于深度学习的检测模型中抽取指定对象的可见光检测模型,作为红外检测的预训练模型,在采集的红外图像数据集上进行微调训练...
  • 煤矿区塌陷地积水提取的尺度效应与决策级融合研究,吴春花,杜培军,利用遥感影像提取矿区塌陷地积水是煤矿区地质环境监测和调查的有效途径。如何选择煤矿区塌陷地积水提取的最佳尺度、提高识别和提
  • 用于遥感影像的决策级融合的adaboost 代码
  • 针对单模态生物特征识别系统固有的缺点,提出一种新的指纹与指静脉识别的决策级融合方法.首先对指纹及指静脉2种模态分别进行第一级分类器设计,得出各自的识别结果;然后将提取出的指纹与指静脉特征点集以特征串联的...
  • 数据级融合、特征级融合、决策级融合。 目前我们所采用的融合策略是决策级融合。 ( 1)特征级融合的特点,主要是雷达辅助图像。 基本的思路是将雷达的点目标投影到图像上,围绕该点我们生成一个矩阵的感兴趣区域...

    从目前市场上无人驾驶的解决方案就能看出来,多传感器融合是必然趋势,其对自动驾驶汽车的重要性就不用我多说了。由于我研究生阶段研究的是毫米波雷达与摄像头的融合进行障碍物检测,所以就对一些学习笔记做个备忘,方便自己查阅。

    传感器融合按不同策略主要分为:
    (1)基于图像数据级融合(基于摄像头为主传感器对毫米波雷达进行滤波)
    (2)基于目标特征级融合(以毫米波雷达为主传感器对摄像头和雷达的目标输出做融合)
    (3)基于决策级融合(采用VS算法对比做决策)。

    目前我所采用的融合策略是决策级融合。

    (1)特征级融合的特点,主要是雷达辅助图像。

    基本的思路是将雷达的点目标投影到图像上,围绕该点我们生成一个矩阵的感兴趣区域,然后我们只对该区域内进行搜索,搜索到以后跟雷达点目标进行匹配。它的优点是可以迅速地排除大量不会有车辆的区域,极大地提高识别速度。而且,可以迅速排除掉雷达探测到的非车辆目标,增强结果的可靠性。

    缺点:
    1)首先,这个方法实现起来有难度。理想情况下雷达点出现在车辆中间。首先因为雷达提供的目标横向距离不准确,再加上摄像头标定的误差,导致雷达的投影点对车的偏离可能比较严重。我们只能把感兴趣区域设置的比较大。感兴趣区域过大后导致里面含有不止一辆车,这个时候目标就会被重复探测,这会造成目标匹配上的混乱。交通拥挤的时候尤其容易出来这种情况。

    2)另一方面是这种方法本质上只是对雷达目标的一种验证,无法充分发挥视觉的作用。雷达和摄像头的视野其实并不完全重合,存在部分目标没有被两个传感器同时检测到。

    (2)决策级融合的特点:

    JPDA:概率数据关联算法,基于多个传感器的数据进行关联。

    相比原来的算法,PDA有以下优点:

    1)很重要的一点是模块化,把目标识别和融合分开了,这使得算法更容易实现和调试。

    2)传感器测量值有效地和车辆目标关联。

    3)传感器的信息得到了充分利用。雷达和摄像头的视野并不完全一样。雷达长距离探测比较准确,但视野相对较窄。摄像头长距离较弱,但视野较宽。有些目标只被单个的传感器探测到,此时这个目标会得到保留并进行跟踪。

    注:
    (1)多目标跟踪的核心是数据关联,卡尔曼只是一种滤波算法,可以作为跟踪来使用,但前提是知道上一帧的目标对应下一帧哪个目标,否则无法处理。
    其中JPDA是多目标跟踪里面的数据关联的内容,PDA是单个目标里面的数据关联的内容。

    (2)融合的关键点:时间上同步(时间戳解决),空间上同步(标定解决)。

    融合涉及到多个过程:目标关联+目标滤波+目标跟踪等。

    (3)最后在图像和雷达数据当中,需要解决几个关键问题:
    1)观察值匹配问题, 如何验证图像和毫米波雷达得到的观测值与上一个周期的目标值相匹配。
    2)数据融合问题, 如何将已经确认的雷达和图像的观测值进行融合,得到当前目标值。
    3)维护有效目标库,为了对跟踪序列的目标进行删除、新建、跟踪,需要对目标的个数进行限定。对于新目标,我们需要建立新的轨迹进行跟踪。

    展开全文
  • 提出一种基于空-时域特征决策级融合的人体行为识别算法。在空间域提取人体的形状上下文特征,用于同一时刻模板图像与测试图像的轮廓匹配;在时间域用变化的空间特征序列表征运动特征,联合稳健的空间特征进行有效的...
  • 基于多波段SAR图像目标检测决策级融合和图像分类的目标状态标注 ku 波段 L波段 X 波段 P波段
  • 结合指纹和声纹在识别环境中的优良互补性以及两种特征相关性不强的特点,提出一种基于指纹和声纹决策级融合识别方法。在对相应的指纹和声纹分别提取特征和识别之后,使用提出的二次比较选择模型(second comparison ...
  • 针对单模态生物特征识别系统固有的缺点,提出一种新的指纹与指静脉识别的决策级融合方法.首先对指纹及指静脉2种模态分别进行第一级分类器设计,得出各自的识别结果;然后将提取出的指纹与指静脉特征点集以特征串联的...
  • 针对单一模态生物特征识别系统性能受图像质量影响较大问题,提出一种基于图像采集质量评价的指纹与指静脉识别的决策级融合方法.该方法不仅对指纹图像进行质量评价,并首次根据指静脉图像特性设计图像采集质量评价指标,...
  • 针对多传感器信息融合系统中普遍存在的冲突信息环境下的融合系统决策问题,提出了一种新的基于威胁博弈的决策级信息融合模型。该模型将冲突环境下的融合过程视为局部决策空间、策略空间和全局决策空间上的变换过程,...
  • 基于决策级融合的人脸识别PPT学习教案.pptx
  • 基于决策级融合的掌纹掌静脉多特征融合匹配算法研究,张青,孙冬梅,针对单一模态的生物特征识别系统存在固有的缺点,本文提出一种新的基于决策级融合的掌纹掌静脉多特征融合识别的方法。首先,对掌��
  • 行业分类-作业装置-用于行人检测的多激光雷达决策级融合方法和装置.zip
  • 行业分类-物理装置-基于多模型决策级融合的舰船与民船目标检测与分类方法.zip
  • 基于AHP-Fuzzy和灰关联分析的决策级融合故障诊断,王璇,周丰,本文在对国内外故障诊断技术的研究现状进行深入分析的基础上,提出了基于层次模糊诊断法(Analytic Hierarchy Process-Fuzzy, AHP-Fuzzy)和灰��
  • 基于D-S的决策级信息融合的故障诊断,王璇,周丰,为保证石油钻井过程安全可靠运行,对其故障诊断方法的研究具有重大意义。本文在国内外故障诊断技术的基础上,提出了基于传感器间
  • 1、MISF - Multi-sensor Information Fusion 基础解析1.1 基本概念利用计算机技术将多传感器或多源的信息和数据,在一定的准则下加以自动分析和综合,以完成所需的决策和估计而进行的信息处理过程;多传感器信息融合...

    5ee60329289c510f4461bc803a3959d5.png

    1、MISF - Multi-sensor Information Fusion 基础解析

    1.1 基本概念

    利用计算机技术将多传感器或多源的信息和数据,在一定的准则下加以自动分析和综合,以完成所需的决策和估计而进行的信息处理过程;多传感器信息融合是用于包含处于不同位置的多个或者多种传感器的信息处理技术;

    1.2 融合层次(级别)

    在多传感器信息融合中,按其在融合系统中信息处理的抽象程度可分为三个层次:数据级融合、特征级融合和决策级融合;

    1)数据级融合:

    —— 也称为像素级融合,属于底层数据融合;将多个传感器的原始观测数据(raw data)直接进行融合,然后再从融合数据中提取特征向量进行判断识别;

    —— 数据级融合要求多个传感器是同质的(传感器观测的是同一物理量),否则需要进行尺度校准。

    —— 数据级融合不存在数据丢失的问题,得到的结果也作为准确;但是计算量大,对系统通信带宽要求较高;

    dfc27f6e76bd5125086e2a84231ec8e1.png
    多传感器数据级融合基本原理示意图

    2)特征级融合

    属于中间层次级融合,先从每个传感器提供的原始观测数据中提取代表性的特征,再把这些特征融合成单一的特征向量;其中选择合适的特征进行融合是关键;特征信息包括边缘、方向、速度、形状等。

    特征层融合可划分为两大类:目标状态融合、目标特性融合。

    目标状态融合:主要应用于多传感器的目标跟踪领域;融合系统首先对传感器数据进行预处理以完成数据配准,在数据配准之后,融合处理主要实现参数关联和状态估计。

    目标特性融合:就是特征层联合识别,它的实质就是模式识别问题;在融合前必须先对特征进行关联处理,再对特征矢量分类成有意义的组合;

    在融合的三个层次中,特征层融合技术发展较为完善,并且由于在特征层已建立了一整套的行之有效的特征关联技术,可以保证融合信息的一致性;此级别融合对计算量和通信带宽要求相对降低,但由于部分数据的舍弃使其准确性也有所下降。

    889b08b140cf1bfb446808df1309c121.png
    多传感器特征级融合基本原理示意图

    3)决策级融合

    —— 属于高层次级融合,是对数据高层次级的抽象,输出是一个联合决策结果,在理论上这个联合决策应比任何单传感器决策更精确或更明确;

    —— 决策层融合在信息处理方面具有很高的灵活性,系统对信息传输带宽要求很低,能有效地融合反映环境或目标各个侧面的不同类型信息,而且可以处理非同步信息;

    —— 由于环境和目标的时变动态特性、先验知识获取的困难、知识库的巨量特性、面向对象的系统设计要求等,决策层融合理论与技术的发展仍受到一定的限制;

    ab868a9ba3eb5b89dff6efd4d343b6bb.png
    多传感器决策级融合基本原理示意图

    1.3 体系结构

    根据对原始数据处理方法的不同,多传感器信息融合系统的体系结构可分为三种:集中式、分布式和混合式。

    1)集中式 — 将各传感器获得的原始数据直接送到中央处理器进行融合处理,可以实现实时融合;

    6cfb2372447598711b4ee49d94c70a96.png
    集中式体系结构示意图

    优点:

    a、结构简单,其数据处理的精度高,算法灵活,融合速度快;

    缺点:

    a、各传感器的流向是由低层向融合中心单向流动,各传感器之间缺乏必要的联系;

    b、中央处理器计算和通信负担过重,系统容错性差,系统可靠性较低;

    2)分布式 — 先对各个独立传感器所获得的原始数据进行局部处理,然后再将结果送入中央处理器进行融合处理来获得最终的结果;

    22cf76853a1f0fc740de6aaecd824b6d.png
    分布式体系结构示意图

    优点:

    a、每个传感器都具有估计全局信息的能力,任何一种传感器失效都不会导致系统崩溃,系统可靠性和容错性高;

    b、对通信带宽要求低,计算速度快,可靠性和延续性好;

    缺点

    a、传感器模块需要具备应用处理器,这样的话自身的体积将更大,功耗也就更高;

    b、中央处理器只能获取各个传感器经过处理后的对象数据,而无法访问原始数据;因此,想要“放大”感兴趣的区域将很难实现;

    3)混合式 — 集中式和分布式的混合应用,即部分传感器采用集中式融合方式,剩余的传感器采用分布式融合方式;

    445c150b95f8fbb3005a82e54cfae965.png
    混合式体系结构示意图

    特点:

    a、兼顾了集中式融合和分布式的优点,稳定性强,且具有较强的使用能力;

    b、对通信带宽和计算能力要求较高;

    2、自动驾驶感知模块多传感器数据融合

    2.1 融合的先决条件

    1)运动补偿

    a、ego motion 自身运动补偿

    即考虑传感器在采集过程中的某一时间戳内,由于车辆自身的运动,采集的对象会在该时间戳内发生相对位移变化;

    例如:以激光雷达为例,采集一圈需要0.1s,在这0.1s内,车身本身会发生一定的位移,如果不考虑车辆本身位移的情况,检测出来的目标位置就会产生较大误差;

    b、motion from others 来自于其他目标的运动补偿

    即考虑传感器在采集过程中的某一时间戳内,运动物体由于自身运动会产生相对位移变化;

    2)时间同步

    通过统一的主机给各个传感器提供基准时间,各传感器根据已经校准后的各自时间为各自独立采集的数据加上时间戳信息,以做到所有传感器时间戳同步;但由于各个传感器各自采集周期相互独立,无法保证同一时刻采集相同的信息。

    8ff5de88962baf8464ab179026984c6c.png
    以GPS时间戳为基准的时间同步方法示意图

    在很多自动驾驶车辆的传感器中,大部分支持GPS时间戳的时间同步方法;

    3)空间同步 - 将不同传感器坐标系的测量值转换到同一个坐标系中;

    —— 传感器标定是自动驾驶的基本需求,良好的标定是多传感器融合的基础, 自动驾驶车辆上的多个/多种传感器之间的坐标关系是需要确定的。

    —— 外参是决定传感器和外部某个坐标系的转换关系,比如姿态参数。

    例如:摄像机和雷达的融合, 需要建立精确的雷达坐标系、三维世界坐标系、摄像机坐标系、图像坐标系和像素坐标系之间的坐标转换关系;

    66cae33b138304aa97d90d92de15f67e.png
    激光雷达和相机联合标定示意图

    2.2 多传感器融合基本思路示例

    1)毫米波雷达和摄像头数据融合基本思路

    —— 这两种传感器相融合,多数情况下都是以摄像头数据为主,毫米波雷达作为辅助;

    —— 将毫米波雷达返回的目标点投影到图像上,围绕该点并结合先验知识,生成一个矩形的感兴趣区域,然后我们只对该区域内进行目标检测。

    —— 他们融合的优点是可以迅速地排除大量不会有目标的区域,极大地提高识别速度。

    2)摄像头和激光雷达数据融合基本思路

    —— 障碍物的检测可以使用激光雷达进行物体聚类,但是对于较远物体过于稀疏的激光线数聚类的效果较差,因此利用视觉图像信息进行目标检测,进而获取障碍物的位置,同时视觉还可以给出障碍物类别信息;

    —— 融合的关键是需要将摄像头和激光雷达进行联合标定,获取两者坐标系的空间转换关系;可以通过标定的方式,把激光雷达投射到图像的坐标系中,建立图像的像素点,和激光雷达投影后的点之间做匹配,然后通过某种优化方程,来解决匹配问题;

    —— 激光雷达可以得到目标的3D 数据(x, y , z),通过标定参数,以及相机本身的内参,可以把激光雷达的3D点投射到图像上,图像上的某些像素就会获得激光雷达的深度信息,然后便可以做基于图像的分割或者深度学习模型;

    —— 融合过程中的时候,因为两者视场角的不同,可能会造成噪点或者漏点;

    17216273827889c27658eed524333ff5.png
    相机和激光雷达融合效果示意图

    3)激光雷达和毫米波雷达融合的基本思路(待完善)

    4f03f39489260d64f74038c405296729.png
    激光雷达和毫米波雷达融合效果示意图

    4)相机、毫米波雷达和激光雷达三者融合的基本思路(待完善)

    展开全文
  • 在建立数据融合两级结构模型的基础上,先应用基于矩阵分析的融合算法对同质源数据进行数据级融合,再应用D-S证据理论对异质源数据进行决策级融合,最终实现传感器信息的整合优化。试验和应用结果表明,该方法在完善粉尘...
  • 决策融合的matlab代码

    千次阅读 2019-05-06 23:30:05
    应用自https://download.csdn.net/download/zhujiangtaotaise/4783521

    应用自https://download.csdn.net/download/zhujiangtaotaise/4783521

    展开全文
  • 数据融合matlab

    2019-02-13 20:35:21
    将多传感器信息源的数据和信息加以联合、相关及组合,获得更为精确的位置估计及位置估计。
  • 包含图片和相应的点云文件,适用于相机与雷达融合检测算法仿真,点云文件格式为.bin,图片为JPG,数据文件下载。
  • 数据融合(data fusion)原理与方法

    万次阅读 多人点赞 2016-04-27 12:52:55
    转载地址:http://www.cppblog.com/COOOOOOOOL/archive/2010/03/16/109832.html数据融合(data fusion)最早被应用于军事领域。...在遥感中,数据融合属于一种属性融合,它是将同一地区的多源遥感影像数

    转载地址:http://www.cppblog.com/COOOOOOOOL/archive/2010/03/16/109832.html

    数据融合(data fusion)最早被应用于军事领域。
    现在数据融合的主要应用领域有:多源影像复合、机器人和智能仪器系统、战场和无人驾驶飞机、图像分析与理解、目标检测与跟踪、自动目标识别等等。在遥感中,数据融合属于一种属性融合,它是将同一地区的多源遥感影像数据加以智能化合成,产生比单一信息源更精确、更完全、更可靠的估计和判断……

    一. 数据融合基本涵义

    数据融合(data fusion)最早被应用于军事领域。
    现在数据融合的主要应用领域有:多源影像复合、机器人和智能仪器系统、战场和无人驾驶飞机、图像分析与理解、目标检测与跟踪、自动目标识别等等。在遥感中,数据融合属于一种属性融合,它是将同一地区的多源遥感影像数据加以智能化合成,产生比单一信息源更精确、更完全、更可靠的估计和判断。相对于单源遥感影象数据,多源遥感影象数据所提供的信息具有以下特点
    1.冗余性:表示多源遥感影像数据对环境或目标的表示、描述或解译结果相同;
    2.互补性:指信息来自不同的自由度且相互独立
    3.合作性:不同传感器在观测和处理信息时对其它信息有依赖关系;
    4.信息分层的结构特性:数据融合所处理的多源遥感信息可以在不同的信息层次上出现,这些信息抽象层次包括像素层、特征层和决策层,分层结构和并行处理机制还可保证系统的实时性。

    实质: 在统一地理坐标系中将对同一目标检测的多幅遥感图像数据采用一定的算法,生成一幅新的、更能有效表示该目标的图像信息。

    目的:将单一传感器的多波段信息或不同类别传感器所提供的信息加以综合,消除多传感器信息之间可能存在的冗余和矛盾,加以互补,改善遥感信息提取的及时性和可靠性,提高数据的使用效率。

    二、数据融合原理及过程

    一般来说,遥感影像的数据融合分为预处理和数据融合两步

    1. 预处理

    主要包括遥感影像的几何纠正、大气订正、辐射校正及空间配准
    1. 几何纠正、大气订正及辐射校正的目的主要在于去处透视收缩、叠掩、阴影等地形因素以及卫星扰动、天气变化、大气散射等随机因素对成像结果一致性的影响;
    2. 影像空间配准的目的在于消除由不同传感器得到的影像在拍摄角度、时相及分辨率等方面的差异。

    影像的空间配准时遥感影像数据融合的前提空间配准一般可分为以下步骤 :
    1. 特征选择:在欲配准的两幅影像上,选择如边界、线状物交叉点、区域轮廓线等明显的特征。
    2. 特征匹配:采用一定配准算法,找处两幅影像上对应的明显地物点,作为控制点。
    3. 空间变化:根据控制点,建立影像间的映射关系。
    4. 插值:根据映射关系,对非参考影像进行重采样,获得同参考影像配准的影像。
    空间配准的精度一般要求在1~2个像元内。空间配准中最关键、最困难的一步就是通过特征匹配寻找对应的明显地物点作为控制点。

    2. 数据融合

    根据融合目的和融合层次智能地选择合适的融合算法,将空间配准的遥感影像数据(或提取的图像特征或模式识别的属性说明)进行有机合成,得到目标的更准确表示或估计。

    对于各种算法所获得的融合遥感信息,有时还需要做进一步的处理,如”匹配处理”和”类型变换”等,以便得到目标的更准确表示或估计。

    三、数据融合分类及方法

    1. 数据融合方法分类

    遥感影像的数据融合方法分为三类:基于像元(pixel)级的融合、基于特征(feature)级的融合、基于决策(decision)级的融合。融合的水平依次从低到高。

    1.1 像元级融合

    像元级融合是一种低水平的融合。
    像元级融合的流程为:经过预处理的遥感影像数据——数据融合——特征提取——融合属性说明。
    优点:保留了尽可能多的信息,具有最高精度。
    局限性:

    • 效率低下。由于处理的传感器数据量大,所以处理时间较长,实时性差。
    • 分析数据限制。为了便于像元比较,对传感器信息的配准精度要求很高,而且要求影像来源于一组同质传感器或同单位的。
    • 分析能力差。不能实现对影像的有效理解和分析
    • 纠错要求。由于底层传感器信息存在的不确定性、不完全性或不稳定性,所以对融合过程中的纠错能力有较高要求。
    • 抗干扰性差。像元级融合所包含的具体融合方法有:代数法、IHS变换、小波变换、主成分变换(PCT)、K-T变换等

    1.2 特征级融合

    特征级融合是一种中等水平的融合。在这一级别中,先是将各遥感影像数据进行特征提取,提取的特征信息应是原始信息的充分表示量或充分统计量,然后按特征信息对多源数据进行分类、聚集和综合,产生特征矢量,而后采用一些基于特征级融合方法融合这些特征矢量,作出基于融合特征矢量的属性说明。

    特征级融合的流程为:经过预处理的遥感影像数据——特征提取——特征级融合——(融合)属性说明。

    1.3 决策级融合

    决策级融合是最高水平的融合。融合的结果为指挥、控制、决策提供了依据。在这一级别中,首先对每一数据进行属性说明,然后对其结果加以融合,得到目标或环境的融合属性说明。

    决策级融合的优点时具有很强的容错性,很好的开放性,处理时间短、数据要求低、分析能力强。而由于对预处理及特征提取有较高要求,所以决策级融合的代价较高。

    决策级融合的流程:经过预处理的遥感影像数据——特征提取——属性说明——属性融合——融合属性说明。

    2. 数据融合方法介绍

    2.1 代数法

    代数法包括加权融合、单变量图像差值法、图像比值法等。

    • 加权融合法
    • 单变量图象差值法
    • 图象比值法

    2.2 图像回归法(Image Regression)

    图像回归法是首先假定影像的像元值是另一影像的一个线性函数,通过最小二乘法来进行回归,然后再用回归方程计算出的预测值来减去影像的原始像元值,从而获得二影像的回归残差图像。经过回归处理后的遥感数据在一定程度上类似于进行了相对辐射校正,因而能减弱多时相影像中由于大气条件和太阳高度角的不同所带来的影响。

    2.3 主成分变换(PCT)

    也称为W-L变换,数学上称为主成分分析(PCA)。PCT是应用于遥感诸多领域的一种方法,包括高光谱数据压缩、信息提取与融合及变化监测等。PCT的本质是通过去除冗余,将其余信息转入少数几幅影像(即主成分)的方法,对大量影像进行概括和消除相关性。PCT使用相关系数阵或协方差阵来消除原始影像数据的相关性,以达到去除冗余的目的。对于融合后的新图像来说各波段的信息所作出的贡献能最大限度地表现出来。

    PCT的优点是能够分离信息,减少相关,从而突出不同的地物目标。另外,它对辐射差异具有自动校正的功能,因此无须再做相对辐射校正处理。

    2.4 K-T变换

    即Kauth-Thomas变换,简称K-T变换,又形象地成为”缨帽变换”[14]。它是线性变换的一种,它能使座标空间发生旋转,但旋转后的坐标轴不是指向主成分的方向,而是指向另外的方向,这些方向与地面景物有密切的关系,特别是与植物生长过程和土壤有关。以此,这种变换着眼于农作物生长过程而区别于其他植被覆盖,力争抓住地面景物在多光谱空间的特征。通过这种变换,既可以实现信息压缩,又可以帮助解译分析农业特征,因此
    有很大的实际应用意义。

    目前对这个变换在多源遥感数据融合方面的研究应用主要集中在MSS与TM两种遥感数据的应用分析方面。

    2.5 小波变换

    小波变换是一种新兴的数学分析方法,已经受到了广泛的重视。小波变换是一种全局变换,在时间域和频率域同时具有良好的定位能力,对高频分量采用逐渐精细的时域和空域步长,可以聚焦到被处理图像的任何细节,从而被誉为”数学显微镜”。

    小波变换常用于雷达影像SAR与TM影像的融合。它具有在提高影像空间分辨率的同时又保持色调和饱和度不变的优越性。

    2.6 IHS变换

    3个波段合成的RGB颜色空间是一个对物体颜色属性描述系统,而IHS色度空间提取出物体的亮度I,色度H,饱和度S,它们分别对应3个波段的平均辐射强度、3个波段的数据向量和的方向及3个波段等量数据的大小。RGB颜色空间和IHS色度空间有着精确的转换关系。

    以TM和SAR为例,变换思路是把TM图像的3个波段合成的RGB假彩色图像变换到IHS色度空间,然后用SAR图像代替其中的I值,再变换到RGB颜色空间,形成新的影像。

    2.7 贝叶斯(Bayes)估计

    2.8 D-S推理法(Dempster-Shafter)

    2.9 人工神经网络(ANN)

    2.10 专家系统

    四、遥感数据融合存在问题及发展趋势

    遥感影像数据融合还是一门很不成熟的技术,有待于进一步解决的关键问题有:
    (1)空间配准模型
    (2)建立统一的数学融合模型
    (3)提高数据预处理过程的精度
    (4)提高精确度与可信度
    随着计算机技术、通讯技术的发展,新的理论和方法的不断出现,遥感影像数据融合技术将日趋成熟,从理论研究转入到实际更广泛的应用,最终必将向智能化、实时化方向发展,并同GIS结合,实现实时动态融合用于更新和监测。

    展开全文
  • 图像融合算法(像素

    万次阅读 多人点赞 2019-10-25 09:26:06
    像素级融合是常用于灰度图像与可见光图像的融合。基于源图像的彩色化就是源图像和目标图像的融合过程,使其同时兼有源图像的颜色和目标图像的形状、纹理等特征信息,达到整体颜色基调和谐、真实。 影响图像融合的...
  • matlab实现证据理论的融合公式-dsthoery.m 最近刚写的一个用matlab实现证据理论的代码,现阶段能完成两个证据之间的融合; 附件是m文件,具体的使用方法在m文件中有
  • 数据融合(data fusion)原理与方法

    千次阅读 2020-07-09 13:04:55
    数据融合(datafusion)原理与方法 数据融合(datafusion)最早被应用于军事领域。 现在数据融合的主要应用领域有:多源影像复合、机器人和智能仪器系统、战场和无人驾驶飞机、图像分析与理解、目标检测与跟踪、...
  • 该方法在学习过程中增加被当前数据监控模型错误预测的新样本权重,同时在数据监控模型中引入决策级融合的方法,提高模型的综合决策能力.利用UCI数据集和TE过程进行仿真实验对比,对比结果表明所提出的方法在训练时间和...
  • 1、MISF - Multi-sensor ...在多传感器信息融合中,按其在融合系统中信息处理的抽象程度可分为三个层次:数据级融合、特征级融合和决策级融合; 1)数据级融合: —— 也称为像素级融合,属于底层数据融合;将多个传

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 28,620
精华内容 11,448
关键字:

决策级融合